第二章：传感器与数据采集——SCADA系统介绍、机舱风速计与风向标、叶片应变片与加速度计、塔筒倾角传感器、数据采集频率与同步
大家好，我是老张。今天咱们聊聊传感器和数据采集这块。说实话，载荷预测这件事，数据质量决定了模型的天花板。你算法再牛，传感器数据一塌糊涂，那都是白搭。我在好几个项目里都吃过这个亏，所以这一章，我希望能把一些实战中的坑和心得，一次性说清楚。
2.1 SCADA系统：风机的“黑匣子”
SCADA系统，全称是数据采集与监视控制系统。说白了，它就是风机的“黑匣子”加“驾驶舱”。
我个人习惯把SCADA分成三层来看：
- 底层传感器层：负责采集原始物理量，比如风速、转速、温度、振动。
- 中间通讯层：通过光纤或工业以太网，把数据从机舱传到塔底，再传到中控室。
- 上层应用层：做数据存储、报警、报表，以及我们后续要做的载荷预测。
嗯，这里要注意。很多刚入行的朋友以为SCADA数据就是“拿来就能用”的。其实不是。SCADA系统为了稳定运行，通常会做大量的滤波和平均处理。比如风速数据，它可能给你的是10分钟平均值。这对发电量统计没问题，但对载荷预测来说，信息量远远不够。
2.2 机舱风速计与风向标：风资源的“眼睛”
风速计和风向标，通常安装在机舱顶部。它们负责告诉风机：“风从哪来，有多大？”
但这里有个经典问题——机舱风速计会受到叶片旋转的尾流影响。你想想看，叶片转起来，气流被搅得乱七八糟，风速计测到的数据能准吗？
我在项目里遇到过这种情况：某台风机在满发状态下，机舱风速计显示风速只有8m/s，但实际轮毂高度风速已经达到12m/s了。误差高达30%！
所以，我建议：
- 如果条件允许，尽量使用激光雷达（LiDAR）来校正机舱风速计的数据。
- 如果只能用机舱风速计，一定要做机舱传递函数（NTF）的标定。
- 风向标的数据同样需要关注，偏航误差是导致非对称载荷的重要原因。
2.3 叶片应变片与加速度计：感知叶片的“脉搏”
叶片是风机最关键的受力部件。要预测载荷，就必须知道叶片在真实工况下是怎么变形的。
应变片贴在叶片根部或关键截面，直接测量材料的应变。通过应变，我们可以反推出弯矩。这是最直接的载荷测量手段。
加速度计则安装在叶片内部，测量叶片的振动加速度。通过二次积分，可以得到位移。但这里有个坑——积分会引入低频漂移，需要做高通滤波。
我记得有一次，现场反馈叶片加速度数据一直有“飘”的现象。排查了很久，发现是加速度计的安装底座没有完全刚性固定，导致低频共振。从那以后，我对传感器的安装工艺就格外重视。
关于采样频率，我给出一个参考表：
| 传感器类型 | 推荐采样频率 | 说明 |
|---|---|---|
| 叶片应变片 | 50-200 Hz | 覆盖叶片1阶和2阶摆振/挥舞频率 |
| 叶片加速度计 | 100-500 Hz | 需要捕捉高频振动模态 |
| 机舱风速计 | 1-10 Hz | 湍流信息主要集中在这个频段 |
| 塔筒倾角传感器 | 10-50 Hz | 塔筒一阶频率通常在0.3-0.5 Hz，但需要更高采样率来避免混叠 |
2.4 塔筒倾角传感器：监测“大个子”的站姿
塔筒倾角传感器，通常安装在塔筒顶部或底部。它测量的是塔筒相对于垂直方向的倾斜角度。
为什么要测这个？因为塔筒的倾斜直接反映了塔底弯矩。如果塔筒倾斜了0.5度，对应的塔底弯矩可能已经达到设计极限的80%了。
我建议在塔筒的两个正交方向各安装一个倾角传感器。这样不仅可以得到倾斜的幅度，还能知道倾斜的方向。配合风向数据，就能判断出是哪个方向的来流导致了最大的塔筒载荷。
2.5 数据采集频率与同步：所有工作的基石
好了，传感器都装好了。但如果你采集频率不对，或者数据不同步，那一切都是白费。
采样频率的选择，要遵循奈奎斯特定理。简单说，采样频率至少是信号最高频率的两倍。对于风机载荷，主要关注的频率范围是0.1 Hz到10 Hz。所以，20 Hz的采样率是底线。我个人习惯用50 Hz，这样既能保证精度，又不会产生太大的数据量。
时间同步是另一个大问题。不同传感器可能通过不同的采集模块接入系统。如果这些模块的时钟不同步，那风速和载荷的对应关系就乱了。
我曾经在一个项目中，发现风速和叶片弯矩的相位差总是对不上。查了三天，最后发现是风速计的采集模块和应变片的采集模块之间，有大约200毫秒的延迟。200毫秒，在湍流风场里，足以让两个信号完全错位。
解决方案：
- 所有采集模块使用同一个GPS时钟源进行同步。
- 在数据采集软件中，记录每个数据包的时间戳。
- 在后处理时，使用插值或重采样的方法，将所有数据对齐到统一的时间轴上。
下面是一个简单的数据同步代码示例，用Python实现线性插值对齐：
import numpy as np
import pandas as pd
# 假设风速数据时间戳为 t_wind，风速值为 v_wind
# 应变数据时间戳为 t_strain，应变值为 s_strain
# 目标是将应变数据插值到风速数据的时间轴上
t_wind = np.array([0.0, 0.02, 0.04, 0.06, 0.08]) # 50 Hz
v_wind = np.array([10.0, 10.5, 11.2, 10.8, 9.5])
t_strain = np.array([0.01, 0.03, 0.05, 0.07, 0.09]) # 50 Hz，但起始时间不同
s_strain = np.array([100, 105, 110, 108, 95])
# 使用numpy的interp函数进行线性插值
s_strain_aligned = np.interp(t_wind, t_strain, s_strain)
print("对齐后的应变数据：", s_strain_aligned)
这段代码很简单，但很实用。在实际项目中，我会把它封装成一个函数，专门用来处理多源数据的时间对齐问题。
2.6 知识体系总览
为了让大家更直观地理解本章的知识结构，我画了一张图。它展示了从物理世界到数据世界的完整链路。
这张图清晰地展示了从物理量到最终载荷预测的完整链路。每一层都有其关键技术和注意事项。我个人建议，大家在搭建数据采集系统时，一定要从下往上，逐层确认。先保证传感器安装正确，再保证采集频率和同步没问题，最后才谈得上算法模型。
好了，这一章的内容就到这里。传感器和数据采集是基础中的基础，但也是最容易出问题的地方。希望今天的分享能帮大家少走一些弯路。
公众号:蓝海资料掘金营，微信deep3321